Soegeng Wahyoedi @ FE-UKRIDA 2020

ESTIMASI PERMINTAAN
 Soegeng Wahyoedi @ FE-UKRIDA 2020

Interview
DIRECT
METHODS Survey

Experiment

ESTIMASI
PERMINTAAN

INDIRECT REGRESSION
METHODS ANALYSIS
 Soegeng Wahyoedi @ FE-UKRIDA 2020

Sebuah perusahaan produk kulit akan meluncurkan produk

baru yaitu dompet wanita. Perusahaan ingin mengetahui
berapakah kira-kira permintaan atas dompet tersebut.

Untuk keperluan tersebut diinterview 1000 orang yang sedang

berbelanja komoditas yang mirip dengan dompet wanita.
Kepada mereka dipertanyakan apakah akan membeli dompet
pada kemungkinan 5 tingkat harga.

Untuk setiap tingkat harga mereka diminta memilih respond:

A - benar-benar tidak ( probabilita 0)
B - sepertinya tidak (probabilita 0,2)
C - mungkin/barangkali (probabilita 0,4)
D - sepertinya iya (probabilita 0,6)
E - mungkin iya (probabilita 0,8)
F - benar-benar iya (probabilita 1,0)
HASIL TABULASI QUESTIONNAIRE RESPONDENS

Harga A B C D E F Expect
Quant.
9 500 300 125 50 25 0 160
8 300 225 175 150 100 50 335
7 100 150 250 250 150 100 500
6 50 100 100 300 250 200 640
5 0 25 50 225 300 400 800

Expected Quantity  E(Q) = S xipi  x – jumlah responden

 p – probabilita
P = 9  E(Q) = 500 (0,0) + 300 (0,2) + 125 (0,4) + 50 (0,6) +
25 (0,8) + 0 (1,0) = 160 unit

Soegeng Wahyoedi @ FE-UKRIDA 2020

 ESTIMASI PERMINTAAN
Px
Harga Expect
10
Quant.
9 160
8 335
7 500
Px = 10 – 0,00625 Qx
6 640
5 800

Y = a + b X  a = + 10
b = (5-10)/(800-0) = -5/800 = 0,00625
Persamaan permintaan  Px = 10 – 0,00625 Qx

Soegeng Wahyoedi @ FE-UKRIDA 2020

Direct Market Experiment
Melibatkan situasi pasar dan pembeli yang real. Perusahaan
memilih satu atau dua kota/daerah dan melakukan
test pasar untuk melihat reaksi konsumen. Di salah satu
pasar harga diturunkan 10%, bagaiamana reaksi para
konsumen.

Direct Marketing
Konsumen merespon atas advertisement yang dipasang oleh
perusahaan pada beberapa media. Dengan melalui
telepon ataupun surat konsumen dapat memesan
barang. Untuk daerah tertentu diberikan penurunan
harga.

Soegeng Wahyoedi @ FE-UKRIDA 2020

Indirect Estimation
Analisa Regresi  suatu teknik analisa statistik dengan melihat
pengaruh suatu variabel terikat (dependent variable)
dengan satu atau lebih variabel bebas (independent
variable).

Time series analysis  menggunakan observasi yang

dicatat pada periode jangka waktu tertentu pada
situasi tertentu.

Cross-section analysis  menggunakan observasi yang

dicatat pada obyek yang berbeda-beda pada
periode yang sama.

Soegeng Wahyoedi @ FE-UKRIDA 2020

FAKTOR YANG MEMPENGARUHI PERMINTAAN
Harga (Px)
Advertensi (Ax)
VARIABLE Quality (Qx)
FAKTOR STRATEGIC Distributor (Dx)
TERKONTROL

Harga (Py)
Advertensi (Ay)
VARIABLE
Qx COMPETITOR
Quality (Qy)
Distributor (Dy)

Pendapatan (Ic)
VARIABLE Selera (Tc)
FAKTOR
CONSUMERS Ekpektasi (Ec)
TIDAK
TERKONTROL
Gov. Policy (G)
VARIABLE Penduduk (N)
LAINNYA Cuaca (W)
Dsb…..(…..)
Soegeng Wahyoedi @ FE-UKRIDA 2020
Qx = f (Px, Ax, Qx, Dx, Py, Ay, Qy, Dy,
Ic, Tc, Ec, G, N, W, …..)

Qx = a + b1Px + b2Ax + b3 Qx + b4 Dx +
b5Py + b6Ay + b7Qy + b8 Dy +
b9Ic + b10Tc + b11Ec +
b12G + b13N + b14W, …..)
a = konstan; b1< 0; b2 > 0; b3 >0; b4 >0;
b5 <0; b6<0; b7<0; b8 <0;
b9 >0; b10>0; b11>0;
b12</>0; b13 >/<0 + b14 </>0…..)
Soegeng Wahyoedi @ FE-UKRIDA 2020
Regression Analysis
Year X Y
1 10 44
Scatter Diagram
2 9 40
3 11 42
4 12 46
5 11 48
6 12 52
7 13 54
8 13 58
9 14 56
10 15 60

Soegeng Wahyoedi @ FE-UKRIDA 2020

Regression Analysis
• Regression Line: Line of Best Fit

• Regression Line: Minimizes the sum of the squared

vertical deviations (et) of each point from the regression
line.

• Ordinary Least Squares (OLS) Method

Soegeng Wahyoedi @ FE-UKRIDA 2020

Regression Analysis

Soegeng Wahyoedi @ FE-UKRIDA 2020

Ordinary Least Squares (OLS)

Model: Yt  a  bX t  et

ˆ
Yˆt  aˆ  bX t

et  Yt  Yˆt

Soegeng Wahyoedi @ FE-UKRIDA 2020

Ordinary Least Squares (OLS)

Objective: Determine the slope and

intercept that minimize the sum of
the squared errors.

n n n

t  t t  t
e 2

t 1
 (Y  Yˆ ) 2

t 1
(Y  ˆ
a  ˆ )2
bX t
t 1

Soegeng Wahyoedi @ FE-UKRIDA 2020

Ordinary Least Squares (OLS)
Estimation Procedure
n

(X t  X )(Yt  Y )
bˆ  t 1 ˆ
â  Y  bX
n

 t
( X
t 1
 X ) 2

Soegeng Wahyoedi @ FE-UKRIDA 2020

Ordinary Least Squares (OLS)
Estimation Example
Time Xt Yt Xt  X Yt  Y ( X t  X )(Yt  Y ) ( X t  X )2
1 10 44 -2 -6 12 4
2 9 40 -3 -10 30 9
3 11 42 -1 -8 8 1
4 12 46 0 -4 0 0
5 11 48 -1 -2 2 1
6 12 52 0 2 0 0
7 13 54 1 4 4 1
8 13 58 1 8 8 1
9 14 56 2 6 12 4
10 15 60 3 10 30 9
120 500 106 30
n n n
106
n  10  X t  120
t 1
 Yt  500
t 1
(X
t 1
t  X ) 2  30 bˆ 
30
 3.533

n n n
X t 120 Yt 500
X    12 Y    50 (X t  X )(Yt  Y )  106 aˆ  50  (3.533)(12)  7.60
t 1 n 10 t 1 n 10 t 1

Soegeng Wahyoedi @ FE-UKRIDA 2020

Ordinary Least Squares (OLS)

Estimation Example
n
X t 120
n  10 X    12
t 1 n 10
n
n n Yt 500
X  120 Y  500 Y    50
t 1 n 10
t t
t 1 t 1

n
106
(X
t 1
t  X )  30
2 ˆ
b
30
 3.533

(X
t 1
t  X )(Yt  Y )  106 aˆ  50  (3.533)(12)  7.60

Soegeng Wahyoedi @ FE-UKRIDA 2020